Begin bij je data, niet bij je bot

In het kort. De meeste AI-pilots komen nooit van de grond, omdat de ambitie te groot was. Andere zien er indrukwekkend uit maar veranderen niets, omdat ze afhankelijk zijn van data die het model niet kon bereiken of niet zou moeten vertrouwen. Besteed een middag aan je databronnen, en begin daarna met een use case die geen integratie nodig heeft en je niet voor schut kan zetten.

Meestal is een van drie dingen waar. Je hebt de data niet, ze is niet gestructureerd, of ze zit in de ervaring van mensen die er al jaren werken. Dat laatste komt het vaakst voor, en is het meest verleidelijk om te negeren.

Waar dit artikel in de serie past

Dit is het derde van vier samenhangende artikelen over de stap van wachtrijbeheer naar het eigenaarschap van de klantreis.

Op dit punt zouden twee dingen op papier moeten staan. Deel één gaf je een week aan gelogde contactoorzaken en een eigenaar met invloed tot buiten het contactcenter. Deel twee maakte daar een kanaalkaart van, plus een geschreven lijst met de dingen die je nooit automatiseert.

Dit deel stelt de vraag die die twee documenten op zichzelf niet kunnen beantwoorden: is je data goed genoeg om de geautomatiseerde delen van die kaart te ondersteunen. Het legt ook de twee doelen vast waarover je de komende twee jaar rapporteert, één voor kosten en één voor de klant. Deel vier neemt die doelen en bouwt de cyclus die ze eerlijk houdt.

Een middag met je databronnen

Zet elke bron op een rij die ertoe doet: interactiehistorie, IVR- en routeringsdata, opnames en transcripten, CRM, kennisbank, en je order- of ticketsysteem. Beantwoord voor elk drie vragen. Is hij compleet. Is hij actueel. Kan een AI-agent hem via een API bereiken.

Drie kolommen, zes rijen, klaar in een middag. Het is meestal genoeg om de blokkade te vinden, en de blokkade is meestal de kennisbank. Niet de techniek, maar het feit dat niemand er eigenaar van is. Artikelen die twee jaar geleden klopten, zijn erger dan geen artikelen, want een bot citeert ze met volle overtuiging.

Stel je CRM dezelfde drie vragen. Is het compleet, en geeft het je een echt 360-graden-beeld van een klant, of een handvol fragmenten. Als er niet genoeg in het systeem zit, geeft AI met overtuiging het verkeerde antwoord.

De markt is tot dezelfde conclusie gekomen. In het 2026-onderzoek van DMG Consulting is rapportage, analytics en business intelligence de nummer één geplande investering met 41%, vóór AI-infrastructuur. Datakwaliteit is een gedeelde grootste zorg met 37,1%. Analistendekking van de CCaaS-markt in 2026 komt op dezelfde plek uit: datapijplijnen beveiligen en kennisbanken aanscherpen komt vóór autonome service, niet erna. Een generiek taalmodel dat in een rommelig datalandschap wordt gedropt, is niet geschikt voor het meeste klantenservicewerk.

"Een kennisbank die alleen bestaat in het hoofd van iemand met vijftien jaar dienst, is geen kennisbank."

Het is ook een single point of failure die niemand op een risicoregister heeft staan. De test is simpel. Als die persoon volgende maand vertrekt, hoeveel van je servicekwaliteit vertrekt dan mee? Dat getal is je echte automatiseringsgereedheid, en het ligt meestal lager dan de platformdemo doet vermoeden.

Begin aan de binnenkant. Drie use cases zonder integratie

Ons advies is meestal om te beginnen waar het dataprobleem je niet blokkeert. Makkelijke gevallen, echte impact, geen klantrisico.

Gespreksamenvattingen. Mensen merken de tijdwinst. De echte winst is consistentie. Je bepaalt het format één keer, in de prompt. Bullets of proza, altijd drie actiepunten. Nu heb je records die je kunt analyseren in plaats van veertig persoonlijke stijlen.

Begrijpen waarover mensen je eigenlijk contacteren. De meeste organisaties weten het niet. Wat ze hebben, is degene met de hardste stem op de afdeling die zegt: alweer dit, ik krijg dit constant. Geautomatiseerde kwaliteitsmonitoring op elk gesprek toont de oorzaak, niet alleen het onderwerp, wat de handmatige oefening uit deel één is die continu doorloopt in plaats van één week. Als een groot deel van het contact terug te voeren is op een factureringsprobleem, dan is dat geen contactcenterprobleem. Dat is een gesprek met de factureringsafdeling, en nu heb je het bewijs om het te beginnen.

Coaching. De traditionele versie is een supervisor en drie opgenomen gesprekken om de paar weken, en een agent die altijd kan aanvoeren dat je de verkeerde drie koos. Naar drie gesprekken per vier weken luisteren is een subjectieve steekproef. Naar allemaal kijken geeft je een trend, en een trend is iets waarop je kunt coachen. Het punt is de agent beter maken, niet de discussie winnen.

Kies een eerste klantgerichte use case die je niet voor schut kan zetten

Als je naar buiten gaat, gebruik dan duidelijke criteria: hoog volume, weinig variatie, weinig emotioneel gewicht, data al beschikbaar, en meetbaar. Dat wijst meestal naar order- en leverstatus, openingstijden en simpele FAQ's, of een afspraak verzetten.

Toets de shortlist aan de nooit-automatiseren-lijst uit deel twee voordat er iets live gaat. Raakt een kandidaat aan overlijden, kwetsbaarheid of veiligheid, dan gaat hij van de lijst, hoe goed hij ook scoort op volume.

En gebruik eerst het oorzakenlog uit deel één. Als onduidelijke facturen je grootste contactoorzaak zijn, is de snelste winst misschien helemaal geen automatisering. Misschien is het één zin die je op de factuur verandert.

Het helpt om realistisch te zijn over waar de markt echt staat. Gartners kopvoorspelling is dat agentic AI tegen 2029 80% van de veelvoorkomende klantenservicekwesties autonoom oplost. Vandaag gemeten leggen branche-overzichten de echte self-service-oplossing dichter bij 14%, en slechts ongeveer één op de vijf agents meldt überhaupt generatieve-AI-tools te hebben. Het gat tussen de voorspelling en de bodem is geen reden om te wachten. Het is een reden om smal te beginnen, het te bewijzen, en uit te breiden op basis van bewijs in plaats van een slide.

Eén klantdoel, naast het kostendoel

Kosten zijn een legitieme reden om te investeren. Op dit moment zijn het bijna de enige. In het DMG-onderzoek is bedrijfskosten verlagen en schaalbaarheid vergroten de primaire AI-doelstelling voor 60,5% van de respondenten. De klantbeleving verbeteren met gepersonaliseerde, AI-gedreven interactie komt op de zesde plaats, met 28,7%.

Als kosten je enige KPI zijn, is over twee jaar het enige gesprek dat overblijft de marge. Een business case op alleen kosten optimaliseert voor containment, en containment is makkelijk te faken. Vang 40% van de contacten af en noem het een succes, terwijl de 60% die escaleert langer wacht en zich twee keer herhaalt.

Kies dus één klantmetriek die je voor je bestuur zou verdedigen, en rapporteer die vanaf dag één naast de besparingen. First contact resolution op je top drie contactredenen. Oplostijd voor klanten die wél een mens bereiken. Tevredenheid specifiek gemeten op geautomatiseerde contacten, niet weggemiddeld in het gemiddelde. Eén getal is genoeg. Het houdt de business case eerlijk wanneer het tweede jaar aan budgetgesprekken aanbreekt.

Doe dit deze week

• Bouw de driekoloms-lijst van je databronnen
• Wijs een eigenaar aan voor de kennisbank
• Schrijf je kostendoel en één klantdoel op, op dezelfde pagina

Checklist, deel 3

• Primaire doelstelling voor AI expliciet benoemd
• Eén meetbaar klantdoel naast het kostendoel
• Databronnen beoordeeld op compleetheid, actualiteit en API-toegang
• Kennisbank heeft een benoemde eigenaar
• CRM gecontroleerd op een echt klantbeeld, geen fragmenten
• Eerste use case gekozen op volume, variatie, risico en meetbaarheid
• Interne use case overwogen vóór iets klantgerichts
• Gecontroleerd of een aanpassing verderop automatisering verslaat

Volgende in deze serie

Je hebt nu twee doelen op één pagina en een eerste use case die smal genoeg is om te bewijzen. Deel vier, Zet het aan, meet het, en durf het uit te zetten, behandelt wat er na go-live gebeurt: de vier dingen die het meten waard zijn, het ritme van één verandering per maand, en waarom iets uitzetten als succes telt in plaats van als mislukking.

Lees de hele serie

Deze vier artikelen zijn geschreven om in volgorde te lezen. Elk deel levert iets op dat het volgende gebruikt.

• Deel 1. Los eerst het mandaat op, dan de wachtrij. Wie is eigenaar van het probleem, en hoe ver reikt hun mandaat.
• Deel 2. Ken je klant, kies dan je kanalen. Welke contactreden op welk kanaal thuishoort, en wat je nooit automatiseert.
• Deel 3. Begin bij je data, niet bij je bot (dit lees je nu). Of je data ondersteunt wat je wilt automatiseren, en waar je begint.
• Deel 4. Zet het aan, meet het, en durf het uit te zetten. De cyclus die de eerste drie delen levend houdt na go-live.

Bron: DMG Consulting LLC, 2026 CX AI Playbook: Strategic Outlook and Investment Priorities, februari 2026, gesponsord door Five9. Aanvullende marktdata van Gartner, Zendesk en openbare analistencommentaren, opgehaald in augustus 2026.